UNIDAD III

VARIABLEA ALEATORIAS Y DISTRIBUCIONES DE PROBABILIDADES

VARIABLE ALEATORIA DISCRETA.

Definición. Se dice que una v.a es discreta si el conjunto de todos los valores que puedetomar es un conjunto, a lo sumo, numerable (discreta).

Ejemplos. Son Variables discretas

El numero de accidentes laborales en un añoEl numero de errores en un mensaje transmitido.El numero de piezas defectuosas producidas a lo largo de un día en una cadena deproducción.

Modelos de distribuciones de probabilidad para variables discretas. Según lo que hemos

visto, la forma en que se asigna probabilidad a los resultados de una variable aleatoria

discreta viene dada por la función de probabilidad.

A partir de ahora vamos a describir algunos de los modelos teóricos de probabilidad mas

habituales en el ámbito de las Ingenierías, comenzando por el caso de las v.a discretas.

VARIABLE ALEATORIA CONTINUA.

Una variable aleatoria es continua si el conjunto de valores que puede tomar sólo puede

encerrarse en intervalos, formando por tanto, un conjunto con un numero infinito no

numerables de elementos,

Ejemplos Son variables aleatorias continuas

• La tensión de fractura de una muestra de asfalto

• El grosor de una lamina de aluminio

• El pH de una muestra de lluvia

• La duración de una llamada telefónica

VARIABLE ALEATORIA CONTINUA.

Hay una diferencia fundamental entre las variables discretas y continuas; en las discretas

podemos, al menos, numerar los posibles valores y contar el numero de veces que sale

cada valor posible de una muestra. Sin embargo, por el carácter que tienen los intervalos

de números reales, por muy grande que fuera la muestra que tomaríamos de una variable

continua, jamás tendríamos mas de un valor de algunos puntos que puede tomar la

variable.

Por esa razón, en una variable continua no podemos definir una función empírica,

precisamente porque los valores de una variable continua no tiene masa de probabilidad.

Sin embargo, como sabemos, existe una representación análoga a la función masa

empírica que permite aproximar las probabilidades de los valores de una variable

continua: el histograma.

DISTRIBUCIÓN BINOMIAL.

Sea X una v.a discreta que toma los valores x = 0, 1,…, n. donde n es un numeronatural conocido. Se dice que X sigue una distribución binomial de parámetros ny p (y se nota X →B (n,p)) si su función misma es,

𝑓 𝑥 =𝑛𝑥

𝑝𝑥 1 − 𝑝 𝑛−𝑥

𝑓 𝑥 =𝑛!

𝑥! 𝑛 − 𝑥 !𝑝𝑥 1 − 𝑝 𝑛−𝑥, 𝑥 = 0,1,2, … , 𝑛

1. La ultima novela de un autor ha tenido un gran éxito, hasta el punto de que el 80% de los lectoresya la han leído. Un grupo de 4 amigos son aficionados a la lectura:

a. Cual es la probabilidad de que en el grupo hayan leído la novela 2 personas?b. Y como máximo 2?

DISTRIBUCIÓN BINOMIAL.

Fuente: http://www.vitutor.com/pro/3/b_g.html

2. Un agente de seguros vende pólizas a cinco personas de la misma edad y que disfrutan de buena salud.Según las tablas actuales, la probabilidad de que una persona en estas condiciones viva 30 años o mas es2/3. Hállese la probabilidad de que, transcurridos 30 años, vivan:

a. Las cincos personasb. Al menos tres personasc. Exactamente dos personas

DISTRIBUCIÓN BINOMIAL.

CARACTERIZACIÓN DE LA DISTRIBUCIÓN BINOMIAL.

Supongamos que un determinado experimento aleatorio se repite n veces de forma

independiente y que en ese experimento hay un suceso que denominamos éxito,

que ocurre con probabilidad constante p. En ese caso, la variable aleatoria X que

mide el numero de éxitos sigue una B(n,p).

En esta caracterización es importante observar que las dos hipótesis fundamentales

de esta distribución son:

• Los experimentos se repiten de forma independiente y

• La probabilidad del éxito es constante.

DISTRIBUCION GEOMÉTRICA.

Sea X una v.a discreta que puede tomar los valores x=0,1,2,… Se dice que sigue unadistribución geométrica de parámetro p (y se nota X →Geo(p)) con 0 < p < 1, si su funciónes,

𝑓 𝑥 = 𝑝 1 − 𝑝 𝑥−1, 𝑝𝑎𝑟𝑎 𝑥 = 0,1,2, …

Sea X → Geo(p). Entonces

EX = (1-p)/p

Var X= (1-p)/p^2

Caracterización de la distribución geométrica. Supongamos que un determinado

experimento aleatorio se repite sucesivamente de forma independiente y que en ese

experimento hay un suceso que denominamos éxito, que ocurre con probabilidad

constante p. En ese caso, la variable aleatoria X que cuenta el numero de fracasos hasta que

ocurre el primer éxito sigue una Geo(p).

DISTRIBUCION GEOMÉTRICA.

1. Se lanza un dado hasta que aparece el numero 6. Cual es la probabilidad de que el numerode lanzamientos sean 3?

Solución.

Éxito 6Probabilidad que salga el numero 6 es 1/6 (p=1/6 y q=5/6)

𝑓 𝑋 = 3 = 𝑝 1 − 𝑝 𝑥−1 =1

6

5

6

3−1

= 0.1157

2. La probabilidad de que cierto análisis clínico de una reacción positiva es 0,4. Los resultadosde los análisis son independientes unos de otros. Cual es la probabilidad de que la primerareacción positiva ocurra antes del tercer análisis?

Solución.

El éxito es que salga una reacción positiva. P=0,4 y q=0,6. Si la primera reacción positiva debeaparecer antes del tercer análisis, entonces

𝑓 𝑋 < 3 = 𝑃 𝑋 = 1 + 𝑃 𝑋 = 2 = 0.4 0.6 1−1 + 0.4 0.6 2−1 = 0.64

3. Una maquina detecta fallas en los productos que elabora una fabrica. Si los productostienen una probabilidad de falla del 5%, calcular la probabilidad de que la maquinaencuentre su primer producto defectuoso en la octava ocasión que selecciona unproducto para su inspección. Definir éxito: salga defectuoso el producto.

Solución.

X = 8p = 0.05q = 1 - 0.05 = 0.95

DISTRIBUCION GEOMÉTRICA.

𝑓 𝑋 = 8 = 𝑝 1 − 𝑝 𝑥−1 = 0.05 0.95 8−1 = 0.0349

Fuente:http://www.estadisticafacil.com/Main/DistribucionGeometrica#sthash.rgcerFd8.dpuf

DISTRIBUCION DE POISSON

Sea X una v.a discreta que puede tomar los valores de x = 0,1,2,…. Se dice que X sigue unadistribución de Poisson de parámetro λ (y se nota X→P(λ)) si su function es,

𝑓 𝑥 = 𝑒−𝜆𝜆𝑥

𝑥!, 𝑥 = 0,1,2…

Sea X→P(λ), entoncesEX = λVarX= λ

Caracterización de la distribución de Poisson. Consideremos el numero de éxitos en unperiodo de tiempo donde los éxitos acontecen a razón de λ veces por unidad de tiempo (enpromedio) y de forma independiente. En ese caso

X: numero de ocurrencias del suceso por unidad de tiempo

Es una variable de Poisson de parámetro λ, y se nota X→P(λ).En esta caracterización, las hipótesis fundamental ahora son:• La independencia de las realizaciones y• El promedio constante de ocurrencias por unidad de tiempo

APLICACIONES DE POISSON

La distribucion de Poisson suele utilizarse como modelo para el numero de accidentes

ocurridos en los individuos de una población a lo largo de un periodo de tiempo. Lo que

mucha gente no termina de asumir es que hacer una suposición equivale a decir que todos

esos individuos tienen el mismo riesgo de tener un accidente y que el hecho de que un

individuo tenga un accidente no modifica para nada la probabilidad de sufrir un nuevo

accidente. Es evidente que en muchas situaciones de la vida real eso no es cierto, asi que el

modelo no será adecuado en ellas.

Otra aplicación muy común de la distribución de Poisson es al numero de partículas por

unidad de volumen en un fluido cuando una disolución esta realmente bien disuelta. En

caso de que los datos indiquen que la distribución de Poisson no es adecuada, podríamos

inferir que la disolución no esta bien disuelta.

1. En una clase de contabilidad el 3% de alumnos son muy inteligentes. Si ya se conoce que solo el 3% de los

alumnos de Contabilidad son muy inteligentes ¿ calcular la probabilidad de que si tomamos 100 alumnos al

azar 5 de ellos sean muy inteligentes. Lamba es igual a n * P ( tamaño de muestra multiplicado por la

probabilidad de éxito). n = Tamaño de muestra / x = Cantidad de éxitos / P = Probabilidad de éxito / e = base de

logaritmos = 2.718281828

n = 100

P = 0.03

lambda = 100 * 0.03 = 3

x = 5

e = 2.718281828

2. La producción de televisores en SAMSUNG trae asociada una probabilidad de defecto del 2%, si se toma un

lote o muestra de 85 televisores , obtener la probabilidad de que existan 4 televisores con defectos.

n = 85

P = 0.02

X = 4

lambda = 1.7

3. En una jaula con 100 pericos 15 de ellos hablan ruso calcular la probabilidad de que si tomamos 20 pericos al

azar 3 de ellos hablen ruso.

n = 20

p = 0.15

X = 3

lambda =3

- See more at: http://www.estadisticafacil.com/Main/DistribucionDePoisson#sthash.7FKGjL8U.dpuf

P 𝑋 = 5 = 𝑒−335

5!= 0.10081

P 𝑋 = 4 = 𝑒−1.71.74

4!= 0.0635746

P 𝑋 = 3 = 𝑒−333

3!= 0.2240418

DISTRIBUCION DE POISSON

𝑛𝑟

=𝑛!

𝑟! 𝑛 − 𝑟 !

1. En una urna o recipiente hay un total de N objetos, entre los cuales hay una cantidad nobjetos que son defectuosos, si se selecciona de esta urna n objetos al azar, y sin reemplazo,cual es la probabilidad de obtener x objetos defectuosos.

Considerando que en la urna hay un total de 10 objetos, 3 de los cuales son defectuosos, si seseleccionan 4 objetos al azar. Cual es la probabilidad de que 2 sean defectuosos?

Solución.

N=10 objetos en totalr=3 objetos defectuososn=4 objetos seleccionados en muestraX=2 objetos defectuosos deseados en la muestra

𝑃(𝑥) =

𝑟𝑥

𝑁 − 𝑟𝑛 − 𝑥𝑁𝑛

𝑃 𝑥 =

32

10 − 34 − 2104

=3 ∗ 21

210= 0.3

Fin de presentación

𝑛𝑟

=𝑛!

𝑟! 𝑛 − 𝑟 !

En la inspección de hojalata producida por un proceso electrolítico continuo, se identifican 0.2 imperfecciones en promedio por minuto. Determine las probabilidades de identificar a) una imperfección en 3 minutos, b) al menos dos imperfecciones en 5 minutos, c) cuando más una imperfección en 15 minutos.Solución:a) x = variable que nos define el número de imperfecciones en la hojalata por cada 3 minutos = 0, 1, 2, 3, ...., etc., etc.l = 0.2 x 3 =0.6 imperfecciones en promedio por cada 3 minutos en la hojalata

b) x = variable que nos define el número de imperfecciones en la hojalata por cada 5 minutos = 0, 1, 2, 3, ...., etc., etc.l = 0.2 x 5 =1 imperfección en promedio por cada 5 minutos en la hojalata

=1-(0.367918+0.367918) = 0.26416

c) x = variable que nos define el número de imperfecciones en la hojalata por cada 15 minutos = 0, 1, 2, 3, ....., etc., etc.l = 0.2 x 15 = 3 imperfecciones en promedio por cada 15 minutos en la hojalata

= 0.0498026 + 0.149408 = 0.1992106

DISTRIBUCION DE POISSON